miniAutoGen

Miniautogen：一个轻巧且灵活的库，用于创建代理和多代理对话

关于微生物原

Miniautogen是一个创新的开源库，为大型语言模型（LLMS）的下一代应用设计。侧重于实现多代理对话，以其轻巧和灵活的结构而闻名。对于旨在探索和扩展对话式AI前沿的开发人员和研究人员来说，这是理想的选择。

从Autogen汲取灵感，Miniautogen提供了一套全面的工具：

• 统一对话接口（ chat ）：促进了多代理对话的创建和管理。
• 协调机制（ chatadmin ）：确保代理的有效同步和管理。
• 可自定义的代理（ agent ）：根据特定需求为量身定制代理提供灵活性。
• 操作管道（ pipeline ）：自动化并简化代理操作，增强可扩展性和维护。

结合LITELLM，Miniautogen已经与超过100个LLM集成了。使用基岩，Azure，Openai，Cohere，Anthropic，Ollama，Sagemaker，Huggingface，Replicate。

为什么选择微生物原？

多代理对话

• 复杂的互动：促进复杂的对话，涉及多种智能代理，每个对话都具有独特的能力。

代理定制

• 量身定制的行为：适应剂来满足特定的交互要求，增强对话的多功能性。

灵活性和模块化

• 动态对话：形状引人入胜和响应性对话，并提供自动干预和手动干预的规定。

有效的代理协调

• 协作目标：利用我们的框架来促进代理商之间的无缝协作实现共同目标。

最先进的LLM集成

• 高级AI功能：利用大型语言模型的力量来丰富对话，并具有智能和上下文感知的响应。

关键组件

代理人

• 动态参与者：每个代理都是一个自治实体，能够具有复杂的相互作用和行为。

聊天

• 对话管理：处理小组聊天会议，保持状态和上下文以保持连贯性和连续性。

查塔明

• 编排：协调聊天动态的核心，确保高效且和谐的代理协作。

管道

• 操作效率：简化代理操作，启用可扩展和可维护的系统体系结构。

LLM客户

• AI驱动的互动：整合了不同的LLM客户端，为代理提供了复杂的语言处理工具。

管道组件

• 简化开发：我们的模块化设计使创建新的管道组件变得轻而易举，从而使开发人员能够量身定制其对话性数据处理和处理。这种灵活性允许将高级AI功能的无缝集成，包括LLM响应，用户交互和错综复杂的决策过程，直接进入agent管道。

探索我们在此处提供的各种预制组件。

用法

安装pip install miniautogen

与LLM聊天

 #Initializing LLM Clients

import os
os.environ["OPENAI_API_KEY"] = "your-openai-key" 
from miniautogen.llms.llm_client import LiteLLMClient
openai_client = LiteLLMClient(model='gpt-3.5-turbo-16k')

# Building the Chat Environment

from miniautogen.chat.chat import Chat
from miniautogen.agent.agent import Agent
from miniautogen.chat.chatadmin import ChatAdmin
from miniautogen.pipeline.pipeline import Pipeline
from miniautogen.pipeline.components.components import (
    UserResponseComponent, AgentReplyComponent, TerminateChatComponent,
    Jinja2SingleTemplateComponent, LLMResponseComponent, NextAgentSelectorComponent
)

# Define a Jinja2 template for formatting messages
template_str = """
[{"role": "system", "content": "{{ agent.role }}"}{% for message in messages %},
  {% if message.sender_id == agent.agent_id %}
    {"role": "assistant", "content": {{ message.message | tojson | safe }}}
  {% else %}
    {"role": "user", "content": {{ message.message | tojson | safe }}}
  {% endif %}
{% endfor %}]
"""

# Initialize Jinja2 component with the template
jinja_component = Jinja2SingleTemplateComponent()
jinja_component.set_template_str(template_str)

# Set up pipelines for different components
pipeline_user = Pipeline([UserResponseComponent()])
pipeline_jinja = Pipeline([jinja_component, LLMResponseComponent(litellm_client)])
pipeline_admin = Pipeline([NextAgentSelectorComponent(), AgentReplyComponent(), TerminateChatComponent()])

# Create the chat environment
chat = Chat()

# Define agents with JSON data
json_data = {'agent_id': 'Bruno', 'name': 'Bruno', 'role': 'user'}
agent1 = Agent.from_json(json_data)
agent1.pipeline = pipeline_user  # Assign the user pipeline to agent1

agent2 = Agent("dev", "Carlos", "Python Senior Developer")
agent2.pipeline = pipeline_jinja  # Assign the LLM pipeline to agent2

# Add agents to the chat
chat.add_agent(agent1)
chat.add_agent(agent2)

# Add test messages to the chat
json_messages = [{'sender_id': 'Bruno', 'message': 'It’s a test, don’t worry'}]
chat.add_messages(json_messages)

# Initialize and configure ChatAdmin
chat_admin = ChatAdmin("admin", "Admin", "admin_role", pipeline_admin, chat, 10)

#running the chat
chat_admin.run()

样本

使用多代理对话来开发用于微生物原本身的新组件

多代理对话代表涉及多种代理的相互作用，无论是自主还是人类，都具有自主性和专业能力。他们共同努力解决复杂的问题，共享信息或执行特定的任务。

在此示例中，我们将在两个代理之间建立对话：一个扮演产品主的角色，另一个扮演Python开发微生物原成分的专家。

该测试的主要目的是证明微型植物在创建和协调多代理对话方面的灵活性，易度性和效率，并且得益于图书馆的灵活设计，以及开发新组件的简单性。

完整的对话历史： chat_history.md

在此处查看笔记本

发现更多例子

有关其他见解和灵感，请访问我们的示例文件夹。在这里，您会发现各种场景，这些情况在不同情况下展示了微生物原的多功能性和能力。

有助于微生物原

我们邀请AI爱好者，开发人员和研究人员贡献和塑造多代理对话的未来。您的专业知识可以帮助发展微型植物，从而创造更强大和多样化的应用。

您如何做出贡献：

• 功能开发：通过开发新功能或完善现有功能来增强框架。
• 文档和教程：创建清晰的指南和教程，以促进用户采用。
• 测试和反馈：参与测试并为持续改进提供反馈。
• 想法共享：贡献您的创新思想和经验，以培养一个充满活力的社区。

查看更多：贡献

---

微型原子：开创智能，互动对话的未来。